第二十三届全国核电子学与核探测技术学术年会（NED2026）

基于深度学习方法的穆斯堡尔谱智能解析研究

Not scheduled

20m

中州会堂 (中州华鼎饭店)

张贴报告 其它研究方向

Speaker

monan liu (中国科学院大学高能物理研究所)

Description

穆斯堡尔谱学（简称穆谱）能够通过同质异能位移、电四极分裂和超精细磁场等参数表征材料中特定同位素的价态、局域化学环境与磁性等物理性质，在凝聚态物理、材料科学、地学等领域应用广泛。长期以来，穆谱数据解析主要依赖经验进行参数拟合，对于复杂多组分样品的穆谱数据，由于参数众多，通过人工拟合要达到理想的效果耗时较长，难以满足准确、高效分析数据的需求。
随着北京高能同步辐射光源（HEPS）建成运行，国内首条同步辐射穆谱线站——高分辨谱学线站(ID33)已投入运行。穆谱数据获取能力的提升及用户需求的不断增长，对谱图解析效率与实时反馈能力提出了更高要求。传统穆斯堡尔谱参数提取主要依赖人工拟合与经验判断，对分析人员的专业知识和谱图解析经验具有较高依赖性。对于组分复杂、多超精细位点共存或谱线严重重叠的材料体系，参数拟合过程通常需要反复调整初始条件，且耗时较长。因此，发展基于机器学习的自动化、智能化穆谱解析方法，对于提高实验数据处理效率、加快实验流程以及降低谱图解析对专业经验的依赖具有重要意义。
针对上述需求，本工作设计了一套基于深度学习的穆斯堡尔谱参数智能预测框架。针对能域谱与时域谱的不同特点，分别构建相应模型，结合多尺度特征融合与空间金字塔池化策略，提高复杂谱形特征及变长输入数据的表征能力，并建立了从理论谱生成到参数扩展的自动化流程。针对参数扩展中的模型遗忘与容量不足问题，提出了分层学习率调控、参数加权约束及输出神经元冻结等增量学习策略。
基于理论穆谱数据的初步结果表明，该方法能够有效建立谱图与超精细参数之间的映射关系，实现多参数联合预测，并在参数扩展过程中保持较好的预测精度与模型稳定性，为HEPS-ID33线站在线数据分析与智能化应用提供了方法基础。